Details

Title: Разработка системы выявления фитосанитарных угроз с использованием нейронных сетей: выпускная квалификационная работа бакалавра: направление 09.03.01 «Информатика и вычислительная техника» ; образовательная программа 09.03.01_02 «Технологии разработки программного обеспечения»
Creators: Еременко Данила Юрьевич
Scientific adviser: Федотов Александр Александрович
Other creators: Нестеров Сергей Александрович
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: машинное обучение; классификация изображений; сверточные нейронные сети; u-net; заболевания растений; machine learning; image classification; convolutional neural network; plant diseases
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.03.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1141
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Данная работа посвящена решению проблемы автоматизации своевременного обнаружения на полях больных растений с целью сохранения урожая. В процессе выполнения работы выполнено сравнение существующих методов классификации изображений и в качестве наиболее подходящего метода выбран метод сверточных нейронных сетей. Разработано программное обеспечение, позволяющее формировать обучающие выборки по фотографиям полей, производить аугментацию обучающих выборок с целью избежания переобучения модели, обучать модели- классификаторы изображений и использовать реализованные модели- классификаторы. При помощи разработанного программного обеспечения с привлечением специалистов по защите растений подготовлена обучающая выборка состоящая из 407 примеров фитофтороза, 344 примеров здорового куста, 501 примера мозаики картофеля и 288 примеров сорняков. Выборка была расширена при помощи алгоритмов генерации изображений. Предобученная модель DenseNet121 показала наилучший результат на исходных данных и была дообучена на данных с аугментацией. Точность обученного классификатора на экзаменационных данных с аугментацией составила 98-99 процентов.

This work is devoted to solving the problem of automation of timely detection of diseased plants in the fields in order to preserve the crop. In the course of this work was compared existing methods of image classification and selected the convolutional neural network method as the most appropriate method. Software has been developed that allows forming training samples based on field photos, augmenting training samples in order to avoid over-training the model, training image classifier models, and using implemented classifier models. A training sample consisting of 407 examples of late blight, 344 examples of healthy Bush, 501 examples of potato mosaic and 288 examples of weeds was prepared using the developed software with the involvement of plant protection specialists. The selection was expanded using image generation algorithms. The pre-trained densenet121 model showed the best result on the source data and was further trained on the data with augmentation. The accuracy of the trained classifier on the exam data with augmentation was 98-99 percent.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users Read Print Download
-> Internet Anonymous

Table of Contents

  • ВВЕДЕНИЕ
  • 1. РАЗРАБАТЫВАЕМАЯ СИСТЕМА
    • 1.1. Архитектура
    • 1.2. Входные данные
  • 2. ВЫБОР МЕТОДА КЛАСТЕРИЗАЦИИ
    • 2.1. Sliding Window
  • 3. ВЫБОР МЕТОДА КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
    • 3.1. Методы
      • 3.1.1. Maximum Likelihood
      • 3.1.2. Minimum Distance
      • 3.1.3. Parallelepiped
      • 3.1.4. Mahalanobis Distance
      • 3.1.5. K-Nearest Neighboor
      • 3.1.6. Decision Tree
      • 3.1.7. ANN
      • 3.1.8. Image Segmentation
    • 3.2. Критерии выбора метода
    • 3.3. Выбор метода классификации
  • 4. ВЫБОР МЕТОДА СЕГМЕНТАЦИИ И ПРЕДОБРАБОТКИ
    • 4.1. U-Net
    • 4.2. Обучение Unet
  • 5. ОБУЧАЮЩАЯ ВЫБОРКА
    • 5.1. Формирование
    • 5.2. Аугментация
  • 6. ИТОГОВЫЙ СТЕК МЕТОДОВ
  • 7. ВЫБОР БИБЛИОТЕКИ ДЛЯ ГЛУБОКОГО ОБУЧЕНИЯ
  • 8. МОДУЛЬ КЛАССИФИКАЦИИ
    • 8.1. Модуль поиска кандидатов
    • 8.2. Тестирование модуля поиска кандидатов
    • 8.3. Обучение классификатора
      • 8.3.1. Выбор предобученных моделей
      • 8.3.2. Утилита для обучения сверточных нейронных сетей
      • 8.3.3. Обучение Xception
      • 8.3.4. Обучение MobileNetV2
      • 8.3.5. Обучение DenseNet121
      • 8.3.6. Дообучене DenseNet121 на выборке с аугментацией
  • 9. ТЕСТИРОВАНИЕ МОДУЛЯ
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ ССЫЛКА НА ПРОЕКТ НА GITHUB

Usage statistics

stat Access count: 7
Last 30 days: 1
Detailed usage statistics